“Inception”为什么翻译为《盗梦空间》？

inception的表面意思：开始，开端，初始 （cept 抓，取，incept=take in →take in hand，-ion名词后缀；take in hand 字面意思是抓在手里→得手，取到手，着手→开始→）电影 inception，译为《奠基》，显然是从“开始”这个意思转来的。电影 inception 里，Dom Cobb 是一个身怀纯熟技巧的窃贼，不过，他和大多数小偷所偷取的东西不同，他专门盗取人类的思维。他利用人们做梦的时候，从他们的潜意识里盗取秘密。或者说，他潜入别人梦中，窃取潜意识中有价值的信息和秘密，与以往不同的是，电影里这次Cobb 和他的团队的任务不是窃取思想，而是植入思想，即梦境中的思想植入。从词组 take in 的意思“让…进入，（在思想上）接受，欺骗，蒙骗；理解，领会；注意到，看到”可以看出，inception 的技术，一开始是把窃取潜意识中有价值的信息和秘密“取到手”，到后来则是“梦境中的思想植入”即是把对方“捏在手里”，玩于掌股之上，要能进入到对方的内心世界即大脑里，要被接受，要看到、领会，涉及到欺骗手段。cept=take，是“取，拿”，而非法的拿就是“盗”即“盗取”， in 代表了梦境中的思想植“入”，即深入脑海里，深入大脑空间，如此看来，《盗梦空间》的译名比较准确地体现了电影 inception 的含义，但我个人认为，从 take in 以及词源解释的 take in hand 理解更为准确。从“开始”的意思翻译为“奠基”，太过生硬，但电影里确实是着手或开始一项任务。

哈～这你得到电影中找答案了…电影主人公有一种特殊技能，就是把梦植入别人的大脑，这个技能就叫Inception我猜你看的是中文版，你看了英文版的就知道了。inception本意为开始、开端，之所以把这种技能命名为此，也许是当主人公把一个意念植入别人的大脑，就会使别人的生活开始改变吧。

inception [in"sep0605n] n. 起初；获得学位

易车讯 在上海车展开幕之际，易车前方探馆团队拍摄到一组标致Inception概念车的实车图。该车代表了标致品牌未来愿景，综合功率接近680马力（500千瓦），百公里加速不到3秒。INCEPTION是一款基于Stellantis全新的“BEV-by-design”设计主导的纯电平台之一设计的概念车，配备了800伏充电技术，采用100千瓦时电池，一次充满电可以行驶800公里。标致Inception概念车前后各配备一台紧凑电动机，是一款四驱车型，综合功率接近680马力（500千瓦），百公里加速不到3秒。“AERORIM”轮圈融合空气动力学和美学，整体采用轴向对称设计，锻造织物嵌件有助于增强空气动力学性能，而带小孔的铝嵌件突出了高科技感设计。车轮转动时，发光的雄狮徽标会保持静止状态。在轮圈内部，制动卡钳由镜面玻璃材质覆盖，这种设计呼应了Hypersquare、车头和车尾的玻璃零件。标致Inception概念车配备新一代i-Cockpit座舱和Hypersquare控制系统，Skyspace全景玻璃概念带给人全新的心情和感觉。这款概念车还移除了方向盘和经典换挡杆，采用Hypersquare控制装置，以数字电动控制取代了传统的机械连杆，为驾驶员创造了一种全新的驾驶姿势和体验。由于采用宽大的玻璃面和新座椅比例，第二排具有更好的外部世界视野。前排座椅靠背的玻璃面为后排乘员提供独立的氛围和设置区域。座舱内的每一种材料都经过了处理，确保特定的反射效果，内饰颜色会随驾驶环境和光线的变化而变化。车辆内部的矩形触控方向盘、环形“仪表”等可谓超前设计，多达7.25平方米的玻璃车顶也是一大亮点，其应用了与NASA宇航员头盔遮光罩相同的技术，可遮光并维持相关热特性。打开易车App，点击首页“智能化实测”，多角度了解热门新车科技亮点，获得选购智能电动车的权威参考依据。

　　很多时候翻译和本身的电影名称之间没有特别大的关系。电影中文名在大部分的情况下都是根据电影内容进行翻译的。　　先说英语名字的来源Inception跟deception的大体相似，于是便有了“欺骗”的一种大概揣测。但是词根前缀“in-”，说明是内在的。于是便有了第一层意思，“内在的欺骗”。第一层意思就已经十分跟电影内容贴切，比如说主角一帮人进行欺骗。英国人或者刚好知道真正其的意思的人才会知道今日已经很少用到的“inception”究竟是什么意思。其实已经变成是剑桥等大学专门用来表示“毕业”的词了。于是第二层意思便出来了，电影是一场旅行，劳心劳力惊心动魄后是否能成功毕业？毕业代表一种开始、开端、奠基的意思（与一种译名相符合），是否也能干一番大事业？第二层意思是纵向冠名整片的一种意思，起承转合都有覆盖到。 　　至于中文名字，除了《盗梦空间》之外，还有《潜行凶间》、《奠基》等翻译。这些名称都是和电影内容相关的。

开端报告inception report

因为梦是潜意识形成的 很难控制 所以要植入意念来完成思想植入 片名“inception”一词，在片中指的是通过梦境中的思想植入，改变他人原本根深蒂固的思想。以往在某些有超现实元素的悬疑作品里经常看到催眠高手用一通电话甚至一个眼神就把人催眠，然后指使他做任何事。实际上在现实中这是不可能办到的。人的心理拥有很强的防御机制，心理学上的研究表明催眠师很难让被催眠者做出违反他们自身意愿的举动，更别说让他们改变自己那些原先根深蒂固的想法了。所以《盗梦空间》在思想植入困难性上的设定，是有一定的合理性的。在人们所知的各种意识状态中，梦境是防御机制降到最低的一种状态，只有借由深层的梦境，才能真正完成思想改造。这是《盗梦空间》与以往这类题材的作品很大的区别，以往催眠师用一个眼神就搞定的事情，《盗梦空间》里的盗梦专家们用了一整部影片的篇幅去试图完成。是诺兰舍近求远吗，其实是前人异想天开罢了。

你好，英文名为：Inception 祝您愉快！ceta527aoimnexbn1

开放式的陀螺有晃动，但是没有倒

MySQL 语法审核工具 Inception 正式开源关于InceptionMySQL的SQL语句审核做法，在业界都已经基本被认同了，实际上这也是为了促进MySQL语句写法的统一化、标准化。此前大多采用人工审核机制，这对于标准的把握吃力，标准越多，DBA越累，和开发协同也越累。在这个追求自动化运维的时代，SQL审核也必须要跟上步伐，因此Inception诞生了。Inception不仅仅是一个自动化审核工具，同时还具备执行SQL，并且生成对影响数据的回滚语句（类似闪回的功能），这样一条龙便捷服务的工具，将会给DBA的工作带来翻天覆地的变化，DBA从此就从繁重的审核、登上DB服务器执行，出错了很难回滚（如果提前没有备份的话）的被动局面解放了出来。有了Inception，我们才突然发现，做DBA原来可以这么轻松，工作可以不饱和了，那就有更多的自由时间学习、进一步向自动化运维的实现等更智能化的方向去发展，是具有里程碑意义的

对这个词，有的网站翻译成奠基，就像cobb说的，一个想法的奠基，只有有了这个基础，那个想法会如病毒版扩散。而盗梦空间则是完全的意译，是根据影片的情节翻译的。刚开始他们盗斋藤的梦时他的助手前锋死了，所以梦空间开始坍塌。这就说明了梦空间的存在。而且这是一部科幻片，说这个名字有科幻片的味道啊！

你能在知道里问 不会在百度里搜？

歌曲已发送，请留意查收。请对照歌词：Maniac Ft.Naggy - Inception每当夜幕将近 黑暗逐渐降临 开始用笔试着创造不同的梦境无论是对高昂牺牲的崇敬 还是对威严强大背影的憧憬 未来的道路又该如何开凿通行 反省过去错误所造成的窘境多数人漠视不值一提的风景 但每件事情都值得思想产生共鸣让时间的流逝被停滞 反复思考每个决定是否明智就像行使改变形势 不一样的抉择将带给处境不一样的景致 真正的强大永远发自欲望 有时就像无法抵挡的巨浪那就让身体背负上期望 让期望变成希望 化为实现的力量 与其活到穷途末路感叹惋惜 不如现在放手一博做出还击当你全身心的投入 不计较的付出 花费的心血绝不可能走进坟墓或许 我只是个造梦者 却不甘梦只能留在黎明最后刻当别人继续提出疑问为什么 那就让他们了解何谓真相的颜色我看到一辆列车 驶向 一个不曾有人达到过的远方它将 带着那些梦离开 承载着所有无法被实现的愿望世界 已逐步迈向虚假 冲动 已被过多的积压 现在还健在在裂开 冲开这世俗的束缚 谁他妈又能够阻止他！？是现实与梦相隔的交界 还是梦与现实融合的交点看看大部分的决定 回顾小部分的决心 是否有过相似的觉醒没错 人从来不能只做梦 可活在现实中 却同样不能抛弃梦 就算是努力贯彻到头只是一场空 但失去梦的遗憾只会让你留下痛 也许 人心一直太复杂 依旧太浮夸 依然太浮华 经常在自私自恋中轻易腐化 却仍然无法这停下追寻的步伐也许 人性一直以来表现的太高尚 太绝望 太激昂 太狂妄 根本没有定向 完全无法估量 始于混沌的本性实在太疯狂黑色的眼映射黑色的夜 黑色的钱深藏黑色的脸 黑色的剑逆转刺向黑色的天 黑色的一切吞没所有的视线 当这些事情不变依保持继续 你又有多少不被同化的几率 在这尽黯淡的漆黑中 是否已经握紧了自己那存活的依据我看到一辆列车 驶向 一个不曾有人达到过的远方它将 带着梦离开 承载着所有无法被实现的愿望世界 已逐步迈向虚假 冲动 已被过多的积压 现在还健在在裂开 冲开这世俗的束缚 谁他妈又能够阻止他！？太长的warm-up 只能预示这灾难的开端没错 这的确是个开端 已经触碰了开关并非任何阴谋学家所制定的排算当你还在庆幸已经回到了现实不受任何想象空间的牵制我毫不犹豫挥出重拳告诉你这才是现实每个人都告诉我根本没有必要我需要足够的底气对着那些傻瓜喊说这很必要从没感觉奇妙 烧香拜佛本就应该发生在寺庙继续嘲笑那些人说音乐是其信仰其实它只给我影响 当旋律响起之时我知道还不是时候清场uhn 我无法解释他们为何爱上这声音为何会在我回归安寂的同时去不停要求我不要保持沉静都说 跳跃的再高双脚落地还是无法避免back to the inception我身体离地面之间还有一片ocean并且 坠入睡眠之前起码还有几十年！！我看到一辆列车 驶向 一个不曾有人达到过的远方它将 带着梦离开 承载着所有无法被实现的愿望世界 已逐步迈向虚假 冲动 已被过多的积压 现在还健在在裂开 冲开这世俗的束缚 谁他妈又能够阻止他！？

造梦师（architect）：就是ellen page演的小loli，创造梦里的世界的那些建筑之类的东西，可以用那些无限循环结构欺骗梦里的防御者药剂师（chemist）：Yusuf，那个化学家，提供镇定药物，让他们可以去至少三层观望者是什么？我看的英文版没有注意到这么一个角色，难道是saito，他进入梦境打酱油，看inception是否完成伪装者（forger）：Eames，他可以变换自己的摸样，第一层中他就变成fischer的godfather，而且他提出了inception的步骤，因为植入的难度很大，所以分为三步完成Pointman：Arthur保证计划有条不紊的进行 而且他在任务中起的是衔接作用，他不是说过，引爆的太早了不行，太晚了也不行。

论文： GoogLeNet/Inception-v1: Going Deeper with Convolutions BN-Inception/Inception-v2: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift Inception-v3: Rethinking the Inception Architecture for Computer Vision Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 从上图可看到VGG继承了LeNet以及AlexNet的一些框架结构，而GoogLeNet则做了更加大胆的网络结构尝试，虽然深度只有22层，但大小却比AlexNet和VGG小很多，GoogleNet参数为500万个，AlexNet参数个数是GoogleNet的12倍，VGGNet参数又是AlexNet的3倍，因此在内存或计算资源有限时，GoogleNet是比较好的选择；从模型结果来看，GoogLeNet的性能却更加优越。 一般来说， 提升网络性能 最直接的办法就是 增加网络深度和宽度 ，深度指网络层次数量、宽度指神经元数量。但这种方式存在以下问题： （1）参数太多，如果训练数据集有限，很容易产生过拟合； （2）网络越大、参数越多，计算复杂度越大，难以应用； （3）网络越深，容易出现梯度弥散问题（梯度越往后穿越容易消失），难以优化模型。 解决这些问题的方法是在增加网络深度和宽度的同时减少参数，为了减少参数，自然就想到将全连接变成稀疏连接。但是在实现上，全连接变成稀疏连接后实际计算量并不会有质的提升，因为大部分硬件是针对密集矩阵计算优化的，稀疏矩阵虽然数据量少，但是计算所消耗的时间却很难减少。 大量的文献表明可以将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能，就如人类的大脑是可以看做是神经元的重复堆积，因此，GoogLeNet团队提出了Inception网络结构，就是构造一种“基础神经元”结构，来搭建一个稀疏性、高计算性能的网络结构。 当不知道在卷积神经网络中该使用1 * 1卷积还是3 * 3的卷积还是5 * 5的卷积或者是否需要进行pooling操作的时候，我们就可以通过inception模块来将所有的操作都做一遍，然后将得到的结果直接concat到一起， 由神经网络来决定是使用哪种方式处理 。 通过设计一个稀疏网络结构，但是能够产生稠密的数据，既能增加神经网络表现，又能保证计算资源的使用效率。谷歌提出了最原始Inception的基本结构： 该结构将CNN中常用的卷积（1x1，3x3，5x5）、池化操作（3x3）堆叠在一起（卷积、池化后的尺寸相同，将通道相加），一方面增加了 网络的宽度 ，另一方面也增加了网络 对尺度的适应性 。 网络卷积层中的网络能够提取输入的每一个细节信息，同时5x5的滤波器也能够覆盖大部分接受层的的输入。还可以进行一个池化操作，以减少空间大小，降低过度拟合。在这些层之上，在每一个卷积层后都要做一个ReLU操作，以增加网络的非线性特征。 然而这个Inception原始版本，所有的卷积核都在上一层的所有输出上来做，而那个5x5的卷积核所需的 计算量就太大 了，造成了特征图的厚度很大，为了避免这种情况，在3x3前、5x5前、max pooling后分别加上了1x1的卷积核，以起到了降低特征图厚度的作用，这也就形成了Inception v1的网络结构，如下图所示： 基于Inception构建了GoogLeNet的网络结构如下（共22层）： 对上图说明如下： （1）GoogLeNet采用了模块化的结构（Inception结构），方便增添和修改； （2）网络最后采用了average pooling（平均池化）来代替全连接层，该想法来自NIN（Network in Network），事实证明这样可以将准确率提高0.6%。但是，实际在最后还是加了一个全连接层，主要是为了方便对输出进行灵活调整； （3）虽然移除了全连接，但是网络中依然使用了Dropout ; （4）为了避免梯度消失，网络额外增加了2个 辅助的Loss 用于向前传导梯度（辅助分类器，实际上是 “深度监督” 的策略。）。辅助分类器是将中间某一层的输出用作分类，并按一个较小的权重（0.3）加到最终分类结果中，这样相当于做了模型融合，同时给网络增加了反向传播的梯度信号，也提供了额外的正则化，对于整个网络的训练很有裨益。而在实际测试的时候，这两个额外的softmax会被去掉。 GoogLeNet的网络结构图细节如下： 注：上表中的“#3x3 reduce”，“#5x5 reduce”表示在3x3，5x5卷积操作之前使用了1x1卷积的数量。 在V1的基础上做了两点改进： Inception V2网络结构图细节如下： 与Inception V1有以下几点改变 [1] - 5x5 卷积层被替换为两个连续的 3x3 卷积层. 网络的最大深度增加 9 个权重层. 参数量增加了大约 25%，计算量增加了大约 30%. [2] - 28x28 的 Inception 模块的数量由 2 增加到了 3. [3] - Inception 模块，Ave 和 Max Pooling 层均有用到. 参考表格. [4] - 两个 Inception 模块间不再使用 pooling 层；而在模块 3c 和 4e 中的 concatenation 前采用了 stride-2 conv/pooling 层. [5] - 网络结构的第一个卷积层采用了深度乘子为 8 的可分离卷积(separable convolution with depth multiplier 8)，减少了计算量，但训练时增加了内存消耗. V2 V3实际上被作者放在了一篇paper里所以也没必要分得特别细。 1. 分解卷积核尺寸 分解为对称的小的卷积核 2个3*3代替1个5*5 减少28%的计算量。 第一个3*3后接线性激活会不会比ReLU更好？（因为5*5是线性操作，而2个3*3去代替的话全程应当是线性操作） 实验结果表明relu更优，作者猜测是因为网络能够学习这种空间变化的增强（实验证明这是数据增强） 分解为不对称的卷积核 3 3卷积分解2个2 2节省11%计算量，而分解成1 3和3 1节省33% 理论上，任何卷积都能分解成不对称卷积，但实验发现，在低层次效果不好，在12到20层加较好。 2. 辅助分类器 在第一篇论文的时候作者认为使用2个 辅助分类器，可以： Lee等人 认为辅助分类器有助于更稳定的训练和better收敛。 但是在V3里作者又重新探讨了辅助分类器的作用： 作者认为辅助分类器的作用是正则化。作者假设：如果辅助分类器进行BN或Dropout，网络的主分类器的性能会更好。 3. 改变降低特征图尺寸的方式 一般情况下，如果想让图像缩小，可以有如下两种方式： 先池化再作Inception卷积，或者先作Inception卷积再作池化。但是方法一（左图）先作pooling（池化）会导致特征表示遇到瓶颈（特征缺失），方法二（右图）是正常的缩小，但计算量很大。为了同时保持特征表示且降低计算量，将网络结构改为下图，使用两个并行化的模块来降低计算量（卷积、池化并行执行，再进行合并） 注：上表中的Figure 5指没有进化的Inception，Figure 6是指小卷积版的Inception（用3x3卷积核代替5x5卷积核），Figure 7是指不对称版的Inception（用1xn、nx1卷积核代替nxn卷积核）。 组合3个改进的Inception模块，最终的Inception-v3网络如下图12所示，较早的层采用模块A，中间层采用模块B，而后面层采用模块C Inception-v3也像GoogLeNet那样使用了深度监督，即中间层引入loss。另外一点是Inception-v3采用了一种Label Smoothing技术来正则化模型，提升泛化能力。其主要理念是防止最大的logit远大于其它logits，因为可能会导致过拟合。 Inception-v4是对原来的版本进行了梳理。 此篇文章还提出了Inception-ResNet（在Inception模块中引入ResNet的残差结构，它共有两个版本），Inception-ResNet-v1对标Inception-v3，两者计算复杂度类似，而Inception-ResNet-v2对标Inception-v4，两者计算复杂度类似。 我认为Inception-ResNet的模块太复杂（多样化）了，没必要看的很细，这里就只贴结构图了。 Inception-ResNet-v1的Inception模块如图16所示，与原始Inception模块对比，增加shortcut结构，而且在add之前使用了线性的1x1卷积对齐维度。对于Inception-ResNet-v2模型，与v1比较类似，只是参数设置不同 小结 从最初的GoogLeNet，到最新的Inception-ResNet，Inception网络在不断的迭代中越来越好，相比其它模型，Inception网络相对来说更复杂一些，主要在于模块比较复杂，而且采用的模块也是多样化。未来的话，可能需要AutoML来设计更好的模块结构。 参考链接： 大话CNN经典模型：GoogLeNet（从Inception v1到v4的演进） 深入浅出——网络模型中Inceptionv1到 v4 的作用与结构全解析 [论文笔记] Inception V1-V4 系列以及 Xception 网络结构之 Inception V2

1 影片中有这样一句话：“现实5分钟，梦中1小时”。有人据此推测，4层梦境每一层的时间都不一样，层与层之间的时间以12的倍数递增。于是：现实5分钟=第一层1小时=第二层12小时（0.5天）=第三层6天=第四层72天。2 同上但是我个人感觉 柯布与妻子 以及齐藤都进入了潜意识边缘 但是柯布说过进入潜意识边缘的人没有时间概念，所以就是说，也许表象的年龄特征是心理年龄和时间的反映。

我觉得楼主提出的问题很多就是电影本身的bug，楼主看得很仔细。问题在于，很多人似懂非懂却认为自己看懂了，所以就认为别人不懂。纯粹表达下自己的看法，楼主的问题我觉得克里斯托弗·诺兰也回答不了。

这是我的看法：第一层，来到城市场景（注明：真实世界5分钟，这一层1小时）：原计划是绑架目标A，利用伪装专家假扮其叔叔,从而套出目标A 父亲的保险柜密码（用于最终植入梦境）。但是他们刚到第一层就受到目标A的潜意识队伍的反击，同时还受到莱昂纳多潜意识中火车的袭击，导致佐藤受伤。而后虽然产生争执，但是莱昂纳多最终说服众人继续完成任务。于是众人在被追击的货车中众人携带目标A下到第二层，留下药剂师负责众人穿越回来。第二层：来到酒店场景（注明：真实世界5分钟，这一层12小时）：按计划让目标A认为莱昂纳多是保护他的人，而目标A的潜意识队伍才是真正的敌人，计划成功。随后让目标A认为是叔叔为了夺权而故意隐瞒保险柜密码，并怂恿目标去叔叔的梦境找到保险柜，计划再次成功。随后在被酒店房间里众人携带目标A下到第三层，留下策划师负责众人穿越回来。第三层：来到雪山军事基地场景（注明：真实世界5分钟，这一层144小时=6天）：原计划杀掉守卫让目标A直取保险柜密码，让目标A在保险柜中看到父亲的“真实遗嘱”，就算是植入梦境成功了。但是刚到这一层不久，上面第一层受到攻击严重，慌乱中只剩10秒时间共下面的人穿越回到现实，所以在第三层众人只有60分钟时间让目标A看到“真实遗嘱”。关键时刻莱昂纳多已故的妻子（莱昂纳多潜意识作怪）出现，杀掉目标A，雇主佐藤受伤过重死去，两位死者坠入无意识空间。计划失败，绝望瞬间众人决定下到第4层寻找已经失去意识的目标A（因为目标A肯定在莱昂纳多的亡妻手上，当然这个亡妻也是莱昂纳多的潜意识制造出来的麻烦。），回第三层继续完成植入计划。主意已定，随后在被守卫攻击的军事基地中心房间，莱昂纳多和设计师下到第四层，留下伪装专家负责二人穿越回来。第四层：来到曾今莱昂纳多和亡妻设计的世界（注明：真实世界5分钟，这一层1728小时=2个多月，但是距离第一层只有半秒的情况，现在大概有15分钟时间回去。）：找到亡妻，牺牲自己留下儿从而解救目标A回第三层。最终设计师带目标A回去了第三层，莱昂纳多留下找雇主佐藤。悬疑开始的同时解开了莱昂纳多和亡妻的往事真相，原来曾经莱昂纳多和妻子，一起在梦境里面不知道下了多少层而被困住出不来了。在被困住的50年里两人在梦境里建造了自己回忆中所有的城市和房子。终老时找到了回来的方法，但是妻子已经在，梦里面和莱昂纳多生活了50年不愿意再回来。为了说服妻子回到现实中来，莱昂纳多制造了一个梦境植入妻子脑中，即便是“这一切都不是真实的”。植入成功后，两人终于穿越回来到真实的世界中，双方不再是梦中垂暮的老人，都很年轻。但是妻子却无法逃出被植入的“这一切都不是真实的”这个思想。所以自杀了。所以莱昂纳多潜意识里有愧疚感所以梦境中会出现火车和暴力前妻等危险人物。第三层：伪造专家把带回的目标A领到保险柜前，打开保险柜，让目标A自己认为不在接受父亲的遗产才是，自己父子两的正确选择。完成任务众人回到现实。（测出省略逐层穿越的精彩剧情）意识边界：为了找到雇主佐藤，为了完成在现实社会中“洗清杀妻罪名”的莱昂纳多。无数次的在意识边界里面寻找。（注明：因为在多层梦境中死亡的人，是不能回到现实中的，而是在意识边界里面徘徊即在N层徘徊）终于在N年后找到了老的不行的佐藤，在这一层现实世界一秒大概有50年吧。经过一番对佐藤的说服后由佐藤举枪两人“自杀后”回来了。争议点：许多人认为莱昂纳多和佐藤为什么没有一层一层的回来，许多观众认为这里不严密，但是经过本人和同事“伟哥”严密辩证后得出了结果。其实从齐藤受伤后观众和剧中人们就得知在多层梦境中不能死，因为镇静剂用太多，在梦里死就会下到意识边缘。问题来了：意识边缘怎么回来？当然可以回来，因为当初莱昂纳多和妻子就是用“卧轨”的方式回到现实来的，所以莱昂纳多才在第四层抱着妻子对设计师说：你先走！我要去找齐藤！所以他找到了，所以他和齐藤用同样的方法：自杀-由齐藤拿起枪，所以他们和之前莱昂纳多与妻子回去的方式一样，不用一层一层的回去，直接就回去了。所以我认为这没有什么好争议的了。 回到现实：莱昂纳多终于下了飞机，安全入境没有被警察抓获。回家看到孩子和岳父，皆大欢喜。莱昂纳多拿出自己的图腾：一个只有自己才知道中心在哪里的陀螺，转动它如果停下表示自己真的回家了回到现实了（因为在梦境里陀螺是不会停的）。开始转了，越转越慢眼看要停了，此时影片全面结束。 观众说：我~晕~哦！其实现在我想明白了，和其他好莱坞片一样，圆满结局，观众傻眼了而已。

一，片中一共有六层世界。如果我们把片子中小组计划的现实世界作为参照物的话，按照做梦依次向上分别是：现实世界，第一层梦境，第二层梦境，第三层梦境，第四层梦境，limbo（迷失域）。二，华丽阵容三，拍摄足迹遍布全球 四，导演构思10年“梦境”。身兼导演、编剧和制片人的克里斯托弗-诺兰透露，构思早在10年前就开始打造。“大概在10年前，我对梦境这个主题就产生了浓厚的兴趣。” 五，共鸣，，，大家都有梦。嘻嘻

Inception is a 2010 science fiction action film written, co-produced, and directed by Christopher Nolan. The film features an international ensemble cast starring Leonardo DiCaprio, Ken Watanabe, Joseph Gordon-Levitt, Marion Cotillard, Ellen Page, Tom Hardy, Cillian Murphy, Dileep Rao, Tom Berenger, and Michael Caine. DiCaprio plays Dom Cobb, a specialized corporate spy and thief. His work consists of secretly extracting valuable commercial information from the unconscious minds of his targets while they are asleep and dreaming. Wanted for murder and unable to visit his children, Cobb is offered a chance to regain his old life as payment for a task considered to be impossible: "inception", the planting of an idea into a target"s subconscious.《盗梦空间》是一部2010年的科幻动作电影，由克里斯托弗·诺兰编剧、联合制作并执导。该电影由国际演员阵容出演，包括莱昂纳多·迪卡普里奥、渡边谦、约瑟夫·高登-莱维特、马瑞奥·柯塔拉、艾伦·佩吉、汤姆·哈迪、希里安·墨菲、戴利普·拉奥、汤姆·贝伦杰和迈克尔·凯恩。迪卡普里奥扮演的是专业的企业间谍和窃贼多姆·科布。他的工作是在目标睡觉和做梦时从他们的无意识心理中秘密提取有价值的商业信息。由于被通缉谋杀，无法见到自己的孩子，科布得到一个机会，只要完成一个被认为不可能完成的任务——"盗梦"，将一个想法植入目标人物的下意识，他就可以重获过去的生活。

初始报告 计划初议报告书 开端报告

In finite Time（在有限的时间内）In finite char SeIect Time（在有限的字符选择时间）P1 Inf Lives（P1 INF的生活）P1 Inf Energy（P1 INF能量）P1 InvincibIe（P1 invincibie）P1 Char SeIect（P1字符选择）P2 Inf Lives（P2 INF的生活）P2 Inf Energy（P2 INF能量）P2 InvincibIe（P2 invincibie）P2 Char SeIect（P2字符选择）P3 Inf Lives（P3 INF的生活）P3 Inf Energy（P3 INF能量）P3 InvincibIe（P3 invincibie）P3 Char SeIect（P3字符选择）Stage SeIect（阶段选择）

我觉得梦的投影 实际上是梦主 所认知的一切事物都有可能成为投影，所以记忆中的一切都有可能出现 甚至是幻想 猜想 臆测 等等都可以在梦里 具现出来。。。。就好像做梦 你可能梦见自己根本就不认识的人 一样。

Xception是Google出品，属于2017年左右的东东。它在Google家的MobileNet v1之后，MobileNet v2之前。 它的主旨与MobileNet系列很像即推动Depthwise Conv + Pointwise Conv的使用。只是它直接以Inception v3为模子，将里面的基本inception module替换为使用Depthwise Conv + Pointwise Conv，又外加了residual connects, 最终模型在ImageNet等数据集上都取得了相比Inception v3与Resnet-152更好的结果。当然其模型大小与计算效率相对Inception v3也取得了较大提高。 下图1为一个典型的Inception module，它的实现的基本assumption就是feature在经conv处理时可分别学习feature channels间的关联关系与feature单个channel内部空间上的关联关系，为此inception module中使用了大量的1x1 conv来重视学习 channels之间的关联，然后再分别使用3x3/5x5（两个3x3)等去学习其不同维度上的单个channel内的空间上的关联；若我们基于以上inception中用到的关联关系分离假设而只使用3x3 convs来表示单个channel内的空间关联关系，那么就可以得到出下图2表示的 简化后了的inception module。 而本质上上图2中表示的简化版Inception模块又可被表示为下图3中的形式。可以看出实质上它等价于先使用一个1x1 conv来学习input feature maps之上channels间特征的关联关系，然后再将1x1 conv输出的feature maps进行分割，分别交由下面的若干个3x3 conv来处理其内的空间上元素的关联关系。 更进一步，何不做事做绝将每个channel上的空间关联分别使用一个相应的conv 3x3来单独处理呢。如此就得到了下图4中所示的Separable conv。 下图中为Xception结构的表示。它就是由Inception v3直接演变而来。其中引入了Residual learning的结构（已经有多项工作，同时在本文中作者也有相关实验表明Residual learning在CNN模型中的使用可带来收敛速度的加快。）。 同一向复杂的Inception系列模型一样，它也引入了Entry/Middle/Exit三个flow，每个flow内部使用不同的重复模块，当然最最核心的属于中间不断分析、过滤特征的Middel flow。 Entry flow主要是用来不断下采样，减小空间维度；中间则是不断学习关联关系，优化特征；最终则是汇总、整理特征，用于交由FC来进行表达。 下表为Xception与其它模型在Imagenet上分类精度的结果比较。 然后下表则为Xception与Inception v3在模型参数大小与计算速度上的比较。 在TF的官方实现中，他们对Xception的模型结构做了些改变，主要如下两块。一是使用stride为2的conv来代替使用Maxpooling进行feature降维；二则是在depthwise conv之后同样使用ReLu与BN。 以下为Xception的模型构建入口函数。 以下函数则是构建具体的blocks。。感觉Google有过度设计的嫌疑，非得将一个简单模型构得那么多层次，即使是slim这样已经高级了些的model让人看起来仍然要追着看很久。。推荐大家使用Pytorch啊。。:)。 就到这了，再向下不追了，还想进一步探究的朋友可以直接去翻参考文献里标明的code file。

我空间有，到我空间用U蛋下载，是115网盘的，速度很快。或者留个邮箱，我发给你 avi格式的。

vv

电影《盗梦空间》英文简介：Inception is a 2010 science fiction action film written, co-produced, and directed by Christopher Nolan. The film features an international ensemble cast starring Leonardo DiCaprio, Ken Watanabe, Joseph Gordon-Levitt, Marion Cotillard, Ellen Page, Tom Hardy, Cillian Murphy, Dileep Rao, Tom Berenger, and Michael Caine. DiCaprio plays Dom Cobb, a specialized corporate spy and thief. His work consists of secretly extracting valuable commercial information from the unconscious minds of his targets while they are asleep and dreaming. Wanted for murder and unable to visit his children, Cobb is offered a chance to regain his old life as payment for a task considered to be impossible: "inception", the planting of an idea into a target"s subconscious.《盗梦空间》是由集编剧、制片和导演于一身的克里斯托弗诺兰在2010年的一部科幻、动作类电影作品。影片拥有强大的国际影星阵容，主演包括莱昂纳多迪卡普里奥，渡边谦，玛丽昂歌迪亚，艾伦页，汤姆哈迪，希里安墨菲和迈克尔凯恩。迪卡普里奥扮演的Dom Cobb，在片中是一个专业的商业间谍和小偷。他的工作是进入目标者的梦境，秘密萃取具有商业价值的信息。面临被杀和无法与孩子相聚的困境下，Cobb接受了一个交易机会。他将回到自己从前的生活中去完成一项被认为不可能完成的任务——“Inception”，它需要通过对目标者植入潜意识来实现的。希望对你有所帮助！

我也不明白且很纠结这一点，但我认为楼上 Aground_l 是用心答了而且答到点子上了，不管对不对吧，前面的人都不知道在说些什么，也不知道读懂问题了没有

今天要跟大家分享的是2010年的电影《盗梦空间》。 导演 ：克里斯托弗·诺兰 主演 ：莱昂纳多·迪卡普里奥、汤姆·哈迪、约瑟夫·高登·莱维特、艾伦·佩姬、玛丽昂·歌迪亚、斯里安·墨菲、迈克尔·凯恩 推荐指数： 悬疑指数： 视觉指数： 剧情指数： 《盗梦空间》上映时发生过一个令人匪夷所思的故事——广电总局一刀未剪。究竟是官员们良心发现，还是不知从何下手。 至今如电影结尾陀螺倒没倒一般是个未解之谜（最后揭晓谜底。。。） 《盗梦空间》一直就跟烧脑这个词绑定在一块？ 有人认为，是《盗梦空间》梦中梦的嵌套叙事结构太费脑子了。我倒不这么认为，电影剧情绝大部分都是正序交代，嵌套时用了一下多线程的平行剪辑加快节奏，再偶尔穿插一些关键性的回忆画面，要说烧脑，烧的也绝对不是叙事结构。 因为《盗梦空间》显然不是走的像《记忆碎片》那样强结构弱故事的路线，反而我觉得是很典型的好莱坞传统商业电影的拍法： 这些段落都是有清晰可见的划分的。 而《盗梦空间》之所以让人感觉烧脑，是因为电影中那些闻所未闻的关于 梦境的设定 。 接受新鲜事物需要一个过程。就像我们玩一个新的 游戏 时，需要有一个学习教程告诉我们设定。《盗梦空间》里就有这样很强的 游戏 规则的设置。 《盗梦空间》告诉我们，仅仅只需要玩好一个设定，就足以让电影拍得引人入胜。进度条都快读到一半了，真正的任务才刚刚开始，但观众并没有觉得乏味，反倒吊足了胃口，欲罢不能。诺兰的功力就在于此，即便只是介绍 游戏 规则，都一样秀色可餐，别有洞天。 如果可以吃透《盗梦空间》的设定，而后的剧情相信也就能够迎刃而解。 进入梦中执行任务的人，我们称之为 Extractor盗梦者 。 Subject 则是梦境任务的目标对象，我们称为 主体 。 盗梦者在主体的梦境中其实也就做两件事情， Extraction和Inception ， 前者是盗梦的意思，后者是思想植入的意思。 奇怪的是，电影的英文片名叫《Inception》但中文译名却叫《盗梦空间》，意思大相径庭。 盗梦 指的是李奥纳多 迪卡普里奥主演的柯布刚开始时对日本人齐藤做的事情，就是盗取主体潜意识中的秘密。 盗取的方法电影介绍了两种： 第一是盗梦者可以跟主体的潜意识对话套取秘密； 第二是在主体的梦境中设计保险箱之类的场景，主体会下意识将秘密藏在安全的地方，打开保险箱便可以发现秘密。 盗梦也是亡命天涯的柯布为了过日子不得以干的一些偷鸡摸狗的勾当。 其实这里埋着一个不为人知的彩蛋。主角名字叫作Cobb，这个名字来自于诺兰的成名作《追随》中的一个角色，这个角色一样也是窃贼，当然啦，超高智商的窃贼。 而电影里主人公们主要执行的任务，也就是日本商人齐藤想要柯布完成的任务，即Inception思想植入。在主体的潜意识深处埋下一个想法。 Inception在盗梦圈子里是一个传说，小弟亚瑟就认为是不可能的任务，因为主体的头脑总能够追踪到那个意念的源头，如果此时我让你不要想“大象”，那你此时一定想的就是“大象”，而且你知道这不是你自己的想法。 但真正的高手认为思想植入是完全可行的。不过难度巨大，不仅要埋得足够深，而且要足够简单，还要让主体相信是自己一个小小的想法在慢慢长大。 这样说下来，片名《盗梦空间》的翻译虽然更加让人有观影冲动，但却没有做到翻译界所谓的“信达雅”，达和雅有了，信丢了。 因为电影主要讲的压根不是盗梦。 所以电影还有一种译名叫《奠基》，可能意思上会更加贴合主题一些。 但无论怎样，大陆版《盗梦空间》的译名，怎么着都比港版的《 潜行凶间 》 和台版的《全面启动》要强了太多。 电影中的盗梦者，包括目标主体都可以进入同一个梦境当中。感觉就像组团下副本，某人开个局，大家下到他梦里去组队打怪。 梦境中，盗梦者可以分别在不同时刻进入（比如设计师艾德妮就是在柯布睡着时偷偷进入他的梦境），盗梦者也可以分别在不同时刻醒来，后面会具体讲怎么醒法，这是非常关键的 游戏 玩法。 对于共享梦境，其实诺兰打了个哈哈，几乎只字未提，留给我们的线索只有一台手提箱大小辅助睡眠的仪器。 轻轻按下仪器中间的按钮，仪器就会给连接在一起的所有人注入催眠药剂，并让他们共享同一个梦境。 盗梦空间其实并没有脱离好莱坞传统的 RPG式选角套路 。 但因为诺兰搬上大荧幕的都是新奇好玩的概念，所以设定的新鲜感完美覆盖了套路的陈旧感。 下面我就说一下《盗梦空间》中那些与众不同的角色设定。 Dreamer 造梦者 ， 大家进入的是谁的梦境，谁就是造梦者。 造梦者就像我们玩联机 游戏 时的host。 梦境会由造梦者的意识进行构建。并且，造梦者所处的外部环境同样也会对梦境产生影响。比如药剂师，他是Inception任务第一层梦境的造梦者，当他在飞机上喝了太多香槟后，梦境里就下起了大雨。 第二层的造梦者是亚瑟， 第三层的造梦者是伊姆斯， 第四层的造梦者是柯布。 Architect 梦境设计师 ， 帮助造梦者构思梦境，对于Inception任务来说，前面三层的设计师都是小萝莉艾德妮。设计师只要告诉造梦者她的构思就行， 他们不必非要进入梦境 。 Forger 伪装者， 拥有高超的演技，可以利用意识改变自己的样貌，能在梦境中扮演成各种各样的角色。Inception任务中就是汤姆哈迪老师饰演的伊姆斯。 Chemist 药剂师 ， 他为任务提供进入梦境的特制辅助药剂，INCEPTION任务中就是尿急的印度人约瑟夫。 Subject 主体 ， 任务目标，执行盗梦或思想植入的对象，Inception任务中即富二代费舍。 梦境中还有很多NPC一样的角色，他们主要是主体 潜意识的投影Projection of subconscious 。 也就是主体潜意识具象化的体现，当潜意识感觉到了有另外的人在创造这个世界时，就会注意他们。这些潜意识投影会像白细胞那样，向受到感染的部位发起攻击。 但主体是无法控制自己的潜意识的。 另外，如果主体曾经受过潜意识防卫训练，那么他潜意识的投影就会具有非常强的攻击性。这种情况叫做 subsecurity潜意识防御 。 一般情况下，梦境中充斥着的都是主体的潜意识。但特殊情况下，盗梦者的潜意识也会闯入梦中，就像柯布的妻子玛尔。 我认为，之所以只有柯布出现这种情况其他人没有，是因为他复制了太多跟现实一模一样的梦境，所以他告诫艾德妮千万不要这样做，因为吃亏就在眼前。 通常我们在梦里，是不知道自己在做梦的。但偶尔也有发现自己是在做梦的经历。如果能发现自己是在做梦，并保持意识的清醒。我们就称之为清醒梦。 在电影中，盗梦者们做的就是清醒梦。似乎只要是自己主动进入梦境，就可以保持清醒梦，被动进入梦境则反之。电影里富二代费舍在第一层梦境和第二层时并没有意识到自己是在做梦，因为都是被人灌了迷药以后进入的梦境。但在酒店房间经过查尔斯先生调教以后主动进入雪地梦境后就是做的清醒梦。 其实这里我更倾向于是药剂的作用影响了人们对现实与梦境的判断，即便主动入梦，完全依靠本人的意志让自己保持清醒去执行任务也是不太现实的，一定还是得仰仗药物作用来辅助才够保险。 但这里也有一个问题，盗梦者们做的，就一定是清醒梦吗？看完电影很多人都在怀疑最后是否依然还在梦中， 那么，是不是有可能盗梦者只不过是自认为清醒呢？ 在电影中最精彩的设定，莫过于梦中梦。即梦中的人可以继续做梦产生下一层的梦境。方法就是给梦里的人继续使用睡眠仪。 多重梦境时，越深层次的梦境，脑运作速度越快，因此相对时间也会越长。 电影中涉及到三次多重梦境。 一次是主角接了科博尔工程公司的活去盗取日本商人的梦境机密。 这次任务中火车上是现实层， 带毛毯的房间是第一层梦境， 崩塌的宫殿是第二层梦境。 主角接了日本商人的活做inception， 这次任务中飞机上是现实层， 下雨的大街是第一层梦境， 酒店是第二层梦境， 雪地是第三层梦境， 遗弃的城市是第四层梦境， 海滩醒来见到年老的日本人是limbo层。 Limbo迷失域是比较特殊的一层，和前面几层不同，不是造梦者专门设计建造的梦境，只有之前来过Limbo的人留下的东西，和无限的原始的潜意识，在这里时间可能是无穷无尽的。 Limbo最早是一个宗教术语——地狱的边缘，即上不及天堂，下不至地狱的中间地带。 那么放到电影中理解， 就是一个似梦非梦的地方，现实和梦境的中间地带 。在这里人的意识已经模糊，很难分辨自己究竟是在现实还是梦境，极其容易混淆。 还有就是男女主人公进入深层梦境 探索 这次，由于电影的交代比较含糊，我们很难判断梦境的层次，大致的判断是， 女主跳楼是现实层， 男女主角建造城市手牵手变老是其中某一层， 可以肯定不是第一，第二层，因为时间远远不够，如果男女主人公要在梦里度过50年， 比较可能的是在第四层梦境，假设时间倍率是20倍的话，第四层梦境里的50年，相当于现实中的3小时，换是第三层梦境，就必须在现实中昏睡60小时，这显然是不太现实的，在梦里可以不管吃喝拉撒，在现实里可行不通。 而男女主人公卧轨自杀的梦境， 明显两人又回到了年轻的状态，这其实又是另一层梦境，我的判断是两人在变老的那一层双双殒命后，进入了Limbo迷失域。所以柯布才会知道齐藤如果在梦中死去会进入Limbo层。 以上这些分层其实是传统解读的分层方式，因为有最后是否依然还在梦境的猜测，所以现实层在哪里依旧持有变数，这样的话分层方式势必也要全部打乱。为了便于理解剧情我们先按照上面这样分法。 因为在梦中人们的大脑运转更快，所以梦境中的时间也就比现实的时间走得更快，下一层梦境的相对时间就要比上一层长许多。 但这个相对时间会受到药剂的影响。并非我们认为的都是20倍。 艾德妮在试炼时，现实的5分钟对应梦境的1小时，约12倍。 在地下梦工厂里，现实的3、4小时大约梦境的40小时，约10倍。 而执行inception任务时，药剂师说他的药剂可以加快大脑的功能，大概提速20倍。所以现实中的10小时，对于第一层梦境就是一个星期，第二层六个月，第三层就是十年。 一旦进入了梦境，有三种方式可以离开梦境。注意，因为影片中有梦中梦的情节，因此，这里说的离开梦境，是指跳出当前的梦境，而并非一定会回到现实。 三种方式也是各有各的限制要求，并非随时随地可以执行有效。 1，倒数计时器。 睡眠仪可以设定时间，到了这个时间节点就可以自然醒来。脑补一下的话，我们可以理解为睡眠仪实际上会给人注入轻度的镇静剂sedative，并且可以按照设定时间注射相应的计量，和我们做手术打麻醉一个原理。在开场的火车上，以及艾德妮的试炼里都是采用了这样的叫醒方式。这个方法，对强力镇静剂同样有效，但如果有人在此期间迷失在了limbo层，就麻烦了，因为limbo里的相对时间是无法估量的，可能十年，可能百年，也可能是无限，而人的意识却依然活跃，当这个人的意识从几百年后醒来时，意识肯定早已模糊不清醒了。 2，在梦境中死去。 一般情况下可以直接跳出当前的梦境，返回上一层。但是，如果现实中注射了强力镇静剂，只要在梦中死去，就会被困在limbo层。而进入limbo层的人，依然可以通过死亡的方式回到现实，只不过问题在于，limbo层的人往往已经无法分清梦境与现实的差别，他们会错以为身处的limbo就是现实，困在Limbo层时间越久意识就会越来越模糊，即便回到了现实也会受到影响。 3，kick，坠醒。 就是在上一层身体出现失衡，也可以理解身体突然受到了比较大的加速度。这样便可以在上一层醒来。这种情况其实来自我们每个人都有的生活经验，比如从床上摔下来或睡着时头跌下来，我们就会醒。 由于强力镇静剂不会影响到人内耳平衡感的功能，所以kick依然适用。电影最高潮处就是连续的同步Kick。除了主角柯布还有日本商人齐藤，其他人都是通过同步kick的方式一层层返回到第一层的梦境。 但要注意的是， Kick不可以隔层，即第一层梦的Kick叫不醒尚处于第三层梦中的盗梦者 。这也就是电影里所谓的“miss the kick”错过了坠醒机会。因为当药剂师开车冲下桥时，雪地里的柯布等人在酒店里还处于做梦的状态，这样他们是不会从货车里醒来的。 但问题就来了，当货车冲下桥时，为什么亚瑟并没有因此醒来呢？ 听到很多解释是说，kick必须两边同时进行，即同步Kick，电影在最后关头也的确制造了一系列的坠落场景。但这一点，电影并没有交代清楚，只有柯布说了一句话“关键点是同步梦境的坠醒”。如果这样就算解释了两边同时kick的设定，似乎有些草率，而且别忘了影片一开始的盗梦任务，同样是多重梦境，却不需要两边同时Kick，柯布跌入浴缸就可以醒来，这又该如何解释？人非圣贤，诺兰也有百密一疏的时候吧。 其实我更加愿意认为，亚瑟在柯布口中的过人之处，就是当kick发生时能够控制是否醒来。 在向观众解释什么是Kick时一直在用亚瑟做演示，显然还是让亚瑟进入了真实睡眠状态以后进行演示，看着有点多此一举不是嘛。 下一个镜头，用音乐倒数来协同完成Kick，音乐响起时，亚瑟醒了，艾德妮却没醒，这里我猜测有没有可能亚瑟一直在进行某种特殊训练，而这就是他的过人之处。 毕竟，其他人都有专属能力，他却没有，不是很不平衡嘛。 腾，是盗梦者用于区分是否处于他人梦中的道具。只有拥有者本人知道它独一无二的特征，所以如果是在别人的梦境里，造梦者是无法完美复制一个一模一样的图腾的。 电影中亚瑟的图腾是注了铅的色子， 艾德妮是特制象棋棋子， 而主角柯布，事实上电影并没有明确交代他的图腾是什么。虽然他经常拿出一个陀螺旋转，但这个陀螺其实是柯布太太玛尔的图腾。 而且，似乎柯布对图腾的想法和亚瑟也压根不一样，他的图腾是用来区分现实还是梦境的。 图腾可以说是电影的最大亮点之一，影片结尾究竟陀螺有没有倒下一直是影迷们津津乐道的话题。 那应该如何理解陀螺是一个图腾呢？ 柯布说图腾是玛尔的主意，陀螺也是玛尔的图腾。他们曾经进入过深层梦境进行 探索 ，我相信他们进入的梦境是柯布的梦境，柯布就是造梦者。所以我认为，是玛尔要求柯布在梦里造了一个可以永远恒转的陀螺给自己，当她无法分清现实虚幻时就转动陀螺分辨这个世界的真伪。这个陀螺对玛尔是有效的，其实对其他人也是有效，只要看到陀螺在恒转，所有人都可以知道自己在做梦，就像已是耄耋老人记忆退化的齐藤一样，看到了陀螺不停转动，也慢慢意识到了自己是在梦中。 但这个图腾唯独对柯布没有作用。 因为陀螺是他自己造的，在梦里他想怎么造就怎么造，假如他判断自己是在梦境，他的潜意识就会造出一个恒转的陀螺。而当他判断自己是在现实中，他的潜意识就会造出一个能够倒下的陀螺。所以，那么多人用猜陀螺倒还是没倒来判断柯布是否还在梦中也是无效的。 因此，一个更靠谱的说法是，看柯布有没有戴戒指，戒指才是柯布的图腾。 经过观察，戴了戒指的是梦境，不戴戒指的就是现实。当我看到这样一种说法的时候很佩服发现者的观察能力，真的是火眼金睛了，第一遍看的时候，我根本没注意过有这个规律。这个规律也几乎无一例外，几乎。因为还是有一个例外。在玛尔跳楼的酒店里，柯布却戴着戒指。 那这一段究竟柯布是在梦中还是现实呢？如果按照戴戒指就是在梦境的推演，那玛尔也许是真的跳下大楼回到了现实中，而柯布才是那个一直处于梦境当中无法自拔的人。要是你说自从玛尔跳楼后柯布才脱下戒指，戒指才变成他的图腾，那我觉得图腾也就失去了它的意义所在了。显然戒指说也有自相矛盾的地方。 最后陀螺是否会倒下，成为影迷们津津乐道的话题，正如谁没有怀疑过，自己的人生可能只是一场虚幻的梦而已。 梦境还是现实，影迷们各自站队各守一方，开始了眼力和脑力的较量。 陀螺也好，戒指也罢，它们都只是柯布潜意识的体现。电影已经告诉了我们图腾并不是什么区分现实与虚幻的灵丹妙药，梦境中的人依旧可以选择忽视图腾过自己希望的生活。 当柯布再次见到儿女们的笑脸，他并没有怀疑他们是否只是潜意识的投影，也并不关心陀螺是否倒下，而是迫不及待去享受久别重逢的喜悦。 不知道您是否留意，两个半小时的电影，柯布的儿女曾经在梦境中出现过多次， 然而能够见到笑脸的只有最后这一次。 我不清楚孩子们的笑脸能否算是某种意义上的图腾。但对于柯布来说，图腾已经不再那么重要，重要的，是孩子们的笑脸。 重要的，难道不是珍惜此时此刻能够和所爱之人在一起的时光吗。 梦境或者现实，又有什么不一样呢？ 柯布的内疚，不在于告诉玛尔limbo不是现实，而在于自己没有将信仰之跃leap of faith付诸现实，没有兑现自己的诺言。 柯布曾经在火车驶来的那一刻告诉过玛尔： 柯布已经背叛了自己的妻子，这一次他不可能再背叛自己的家人。 对家人的爱，相比区分现实虚幻的清醒，究竟哪一个更为重要。柯布想起齐藤说过的话 “你是希望来一个信仰之跃，还是希望满怀遗憾，孤独终老？” 在转动陀螺的前一刻，柯布已经作出了他的判断。 我们最不希望自己身处Limbo，模糊现实与梦境的界限，那是因为我们自认为活在现实当中。 但你可曾想过，假如你从未从梦中醒来，你又如何知晓真正的现实会是怎样？ 虚有所长，实有所短，为什么Limbo不可以是我们最好的选择？ #盗梦空间# #诺兰# #小李子# #汤姆哈迪# 收听有声影评《盗梦空间》>>>「链接」

我们经常遇到这样的情境:当我们满腔热情的编写需求文档，或者洋洋洒洒的coding，甚至已经交付上线满怀成功喜悦时，不得不变的变化出现了。然后，我们辛辛苦苦的工作一下变得分文不值。心里暗暗默念，太坑了吧，怎么之前不想清楚…… 我们还有很多情境，用户进行UAT测试时，发现尼玛开发出来的是个啥东东，和用户想要的完全不一样。。 Inception并不是电影<盗梦空间>，是ThoughtWorks一套基于Design Thinking理念的产品协同设计创新实践。通过与业务团队的集中高效分析，采用集中式、互动式的设计工作坊，帮助团队在最短时间内达成对产品范围的一致，快速进入产品交付，并为后续迭代交付建立良好的协作基调。前段时间有幸参加了相关的培训，学习了部分Inception方法，我把它称作 产品探索工作坊 。 产品探索工作坊从用户分析开始，进行业务愿景分析，用户流程分析，优先级排列等等。 主要目的是帮助团队建立产品化思维，以及在交付过程中统一语言。 产品探索工作坊第一个环节，帮助产品团队明确产品愿景。 如果团队不能完全明确产品愿景，团队也不可能有产品化思维，在面对用户需求时，只管落地，不管是否符合产品的愿景，不进行甄别，那么极有可能一千人眼中有一千个哈利波特，可最后完成的却是龙猫，甚至只是个四不像。 产品愿景要回答为什么创造这个产品这一根本问题，用来使团队目标一致，对价值主张形成共识。团队每个人独立地回答产品愿景下的每一行问题，通过发散-收敛的方式最终产品的愿景和价值。 产品探索工作坊第二个环节，帮助产品团队识别关键核心用户，从而判断当前阶段重点考虑哪些用户需求，管理重要干系人。 干系人分析通过建立影响程度和感兴趣程度二维坐标系，针对这两方面为产品所有干系人选择合适的坐标，同时划分高价值用户，中价值用户和低价值用户三个界线。最右上范围内的用户就是产品的核心用户。 产品探索工作坊第三个环节，帮助产品团队统一用户信息及用户行为，在交付过程中基于一致的用户进行讨论和分析，快速聚焦和专注目标用户的行为和诉求进行产品设计。避免上述提到的情境出现，用户对我们设计的产品不认可，甚至觉得完全不是他想要的东西。 用户画像是建立在真实用户的真实数据之上的目标用户代表，它可以是真实用户，也可以是真实用户的虚拟代表。产品探索工作坊第四个环节，帮助团队梳理用户场景和体验问题。用户体验地图基于用户画像和用户场景识别，将用户在具体场景下面对产品的关键接触点描述出来，分析各接触点用户的情感和感受，定位体验过程中的痛点，探索可行的解决方案。本次产品探索工作坊主要围绕产品定义的过程，还未完待续，期待参加下集，再来和大家分享^_^ 顺便说一下，我不是托，但我要强烈推荐一下Thoughtworks的inception方法，不是我一个人说好，群众的声音在此！

= =你么看懂吧..? 那个女的是阿瑟化妆成的 钱包在第一层富二代就给出去了。。

Some movies have a little subtext. Christopher Nolan"s challenging and quite bracing new film, "Inception," is all subtext. Gloriously so.Structured as a state-of-the-art noir,"Inception" has something to do with a small band of intellectual adventurers who invade - and often share - the dreams of clients with lofty problems that need to be solved.They are provocateurs who suggest ideas to their clients, manipulating their thought and dream patterns, and particularly astute viewers might sense that Nolan is using dream manipulation here as an allegory for filmmaking itself and that his chief protagonist is an auteur of sorts.Arcane wordplay is used to explain everything and simply listening to it can lull one into a seductive dreamworld that is not unlike a movie.And that is not at all unpleasurable.A commanding Leonardo DiCaprio, Nolan"s on-screen surrogate, is physically even a dead-ringer for Nolan here as he leads a world-class supporting cast through an intimidating maze of rushing action and melancholy moods. The latter is driven by DiCaprio"s relentless pursuit of his late wife (the magnetic Marion Cotillard) in a dreamworld that he would like to share with her but, for apparent reasons, can"t.Their "relationship" is the core of "Inception" and it"s clear that Nolan shrewdly used Alfred Hitchcock"s woozy, iconic "Veritgo" (1958) - the last word in a man hopelessly stalking a woman - as his template.This most audacious film tackles remarkably serious matters - loss and the fear and sense of exclusion that come with it - and, in the end, despite its willfully confusing vision, "Inception" is astonishingly simple.It is that rare modern movie that has a moral conscience.

《Inception and Philosophy》（Botz-Bornstein, Thorsten 编）电子书网盘下载免费在线阅读链接: https://pan.baidu.com/s/1qX24AZtC41chbMGZnESdnA 提取码: an83书名：Inception and Philosophy作者：Botz-Bornstein, Thorsten 编出版社：Open Court出版年份：2011-11-1页数：288内容简介："Inception", starring Leonardo DiCaprio, is the most philosophical, thought-provoking, and disturbing movie since "The Matrix". It was the "existential heist film" of the year in 2010. The very idea that our dreams and reality are one and the same has caused many sleepless nights and deep, vexing conversations around the world. The natural association of the film with philosophical dream theories suggests that Inception is underpinned by deep philosophical urges. What is the nature of the world? Are there dreams within dreams? In "Inception and Philosophy", philosophers examine the complicated dream theme from various angles. Are our thoughts are our own? Is shared dreaming possible? Forty-three percent of "residents" of virtual worlds such as Second Life report that they feel as strongly about their virtual community as they feel about the real world. Are they walking away from the real world just as Cobb could have done and possibly did?

Inception的每一刻都是梦境。电影是对诺兰作为一位导演如何工作的比喻，它最终的观点在于，我们在梦中得到的心灵净化与我们在电影中得到的一样逼真，而这与我们在现实中获得的灵魂净化同样真实。Inception讲的其实是电影的制作；而电影对导演来说则是最令人激动的共享梦境。 作者认为Inception的整体全是梦境，包括共享梦境本身。Dom Cobb的妻子Mal在剧中曾经质问过他：他竟被所谓的商业大亨全球通缉，这样的世界究竟能有多真实？Dom的父亲，Michael Caine的角色，也曾劝戒他说要”醒过来，回归现实“。在Mombasa追逐一场戏中，Dom试图通过一条非常狭窄的小巷，最后小巷两旁的大楼竟然越靠越近，把他挤在其中——这是典型梦中焦虑的表现。当他终于挤出小巷之后，他发现齐藤正坐在车里等着接他，这完全不符合现实的逻辑——而在梦中，这便很合理。 “图腾”占了电影的很大笔墨。Dom的图腾是个陀螺——旋转、停下则意味着他在现实，旋转不倒则是梦境。（这里，我认为电影说图腾的功用其实只是告诉你是否在他人的梦中，所以图腾必须由本人亲手制作，不能让别人知其特性。而如果图腾主人在自己的梦里，那么图腾倒还是不倒他的潜意识本来就都一清二楚，所以倒和不倒都不能说明什么。）但问题在于，这个图腾是Dom从妻子Mal处得来的，并非他自己制作。而Mal之所以自杀，就是因为她认为她依然身处梦境——尽管此时她的陀螺图腾肯定是转转就倒的。想想Mal自杀那场戏，他俩各在一扇窗前，二窗相对，结构非常怪异。当然，你可以说Mal又另租了一个正对面的房间，但如果这一切都在梦中，这种奇怪的建筑布局难道不更容易解释吗？Mal的死证明了陀螺倒与不倒都并不能说明Dom是否身处梦境。图腾其实无用。 电影中曾经说过，梦的感觉其实是非常真实的，我们只有在梦中感受到某些非常奇怪而无法解释的时刻时才会醒来。而Inception中的所谓现实部分，回头再看，其实就充斥了这样不合理的细节与时刻。电影的结尾就更毫无疑问是场梦境了——飘忽的画面光感，穿着同样服装、同样年龄（Dom的孩子应该至少长大了一岁），做着与Dom记忆中完全相同动作的孩子。不管那陀螺最后是否倒下，Dom都在做梦。 但即使Dom是在梦中，他依然看到了孩子们的面庞，依然获得了他竭尽全力寻找的心灵净化。这里，我们必须要注意，Inception其实是诺兰本人的自传电影。在最近的一次红毯采访中，莱昂纳多并未把Inception与《骇客帝国》作比，而是比较费里尼的《8 1/2》——众所周知，《8 1/2》是费里尼的自传，是关于如何拍摄电影的电影。先前莱昂纳多还曾说过他是根据诺兰本人来刻画Dom Cobb这个人物的。 以下是此评论最关键的一部分： 盗梦团队可以与电影制作过程中的主要角色一一对号。Dom Cobb是导演，进行前期调研并布置好睡眠地点的Arthur是制片人。梦境设计师Adiadne是剧本作者——她建造我们将要进入的世界。Eames是演员（这在他坐到一面化妆镜前转换身份的细节里再明显不过，这样的化妆镜如今仍在舞台剧中使用）。约瑟夫是工程人员：别忘了，奥斯卡的全称可是电影艺术及科学协会，一部电影需要相当数量的技术人员的支撑。诺兰自己在最近的《电影评论》中多少泄漏了一些端倪：【盗梦团队的行为与拍摄一部好莱坞电影】有很多相似之处。比如当盗梦者们在自己建造的街道上行走、调查时，这与我们在开机前所进行的技术考察几乎一模一样。“ 剩余的还有两位主要人物。在整个游戏背后操纵的齐藤是投资方。Fischer则是观众。导演Dom Cobb带领Fischer经历了一场令人沉迷、刺激而激动的旅程，引导他更好地了解自己。Cobb是个了不起的电影导演（或者说是电影导演中的最佳代表），他带给观众动作、特效，但也同时传达意义、人性与情感。 ”电影如梦“一点是为什么Inception要把那些梦境构造得无比真实。电影中的解释说过分地改变梦境会使梦者意识到周围环境的奇怪；这基本就是所有电影都在悬疑与失信之间寻求平衡的另一种说法。一旦观众由于某些细节游离于电影之外——一个不合理的场景、一句荒谬的台词、一种失败的表演——很可能整个电影的魔力便就此丧失殆尽，观众怅然若失。 …… Inception是极其重要的一部电影，因为它代表了好电影所竭力寻求的水准。经历过了一部好电影的你会发现自己焕然一新，脑子里有些新想法，就连神经系统也略微重组。在很大程度上Inception本身正是如此：观众离开电影院后对其感受与认知谈论不绝。新概念、新想法、新观点是一部好电影所赋予的比票根寿命还长的纪念品。 ……对于片中Fischer这个人物来说，他在雪堡所经历的情感突破都是真实的。尽管他的父亲并不真的在那儿，尽管他的风车并非真被放在父亲病床边的保险柜里，他所感受的情感却是100%真实的。同样的，你所看的电影并非真实故事并不重要，那只是一场耗费巨资的表演并不重要——当一部电影感动你时，它便真的动人。你看《飞屋》时所流的眼泪都是真实的，尽管在你屏幕上所见的一切在现实生活中完全子虚乌有。 对Dom Cobb来说这一切有一层更深的意义。尽管他没有父子关系问题，如同Fischer，他也经历了丧失。他试图对抗妻子的死所带来的痛苦（尽管整部电影都是一场梦，Mal在电影之上的现实中也许并未真的死去，而是离婚、出走，但这都并非关键）。Fischer的经历可说是Dom Cobb经历的映像，尽管并非丁是丁、卯是卯的一一对应。这对诺兰来说非常重要，他的电影中也常蕴含个人要素——他个人感兴趣或关心的一些事物——但这些要素又非与他实际相关。其他影人（如费里尼）拍摄的也许是略加掩饰的自传，但这并非诺兰或Cobb的选择。他们建造的电影（或梦境）反映了其心境，却并不能简单与其生活对应。在《电影评论》的采访中，诺兰说他从未试过心理分析。“我想我通过拍电影来达到同样的目的。我与我的职业之间有种炙烈的关系。” 从很多方面来看，Inception都可被当作去年夏天的Inglorious Basterds的收尾。在《无良杂种》中，昆汀以改变历史来向电影艺术致敬，而诺兰在Inception中则探索电影，这一被众人分享的终极梦幻，可如何改变个人。对电影本身来说，整部影片是一场大梦，但更抽象地说，这应是诺兰的梦。他在梦到Cobb的同时寻找自身的启示与决断，就如同Cobb梦到Fischer的同时寻找自己的心灵净化与改变。

我是传奇

深度学习架构包括如下：1、AlexNetAlexNet是首个深度架构，它由深度学习先驱GeoffreyHinton及其同僚共同引入。AlexNet是一个简单却功能强大的网络架构，为深度学习的开创性研究铺平了道路。分解后的AlexNet像是一个简单的架构，卷积层和池化层层叠加，最上层是全连接层。2、VGGNetVGG网络由牛津可视化图形组开发，因此其名称为VGG。该网络的特点是金字塔形，与图像最近的底层比较宽，而顶层很深。3、GoogleNetGoogleNet或Inception网络是谷歌研究者设计的一种架构。GoogleNet是ImageNet2014的冠军，是当时最强大的模型。该架构中，随着深度增加它包含22层，而VGG只有19层，研究者还开发了一种叫作Inception模块的新型方法。4、ResNetResNet是一个妖怪般的架构，让我们看到了深度学习架构能够有多深。残差网络（ResNet）包含多个后续残差模块，是建立ResNet架构的基础。5、ResNeXtResNeXt据说是解决目标识别问题的最先进技术。它建立在inception和resnet的概念上，并带来改进的新架构。6、RCNN（基于区域的CNN）基于区域的CNN架构据说是所有深度学习架构中对目标检测问题最有影响力的架构。为了解决检测问题，RCNN尝试在图像中所有物体上画出边界框，然后识别图像中的物体。7、YOLO（YouOnlyLookonce)YOLO是当前深度学习领域解决图像检测问题最先进的实时系统。如下图所示，YOLO首先将图像划分为规定的边界框，然后对所有边界框并行运行识别算法，来确定物体所属的类别。确定类别之后，yolo继续智能地合并这些边界框，在物体周围形成最优边界框。8、SqueezeNetSqueeNet架构是在移动平台这样的低宽带场景中极其强大的一种架构。这种架构只占用4.9 MB的空间，而Inception架构大小为100MB。这种巨大的差距由一种名为FireModule的特殊结构引起。9、SegNetSegNet是一个用于解决图像分割问题的深度学习架构。它包含处理层（编码器）序列，之后是对应的解码器序列，用于分类像素。10、GANGAN是神经网络架构中完全不同的类别。GAN中，一种神经网络用于生成全新的、训练集中未曾有过的图像，但却足够真实。

别问了，都问了半年多了也没问出个123了，网友说的也只是推测，如果实在想知道，拿吧AK顶着诺兰导演的头问问，绝对连内幕都给你爆出来

别人觉得好看就是好看！没兴趣的人根本看不懂！

利用梦境犯法

作为CVPR2017年的Best Paper, DenseNet 脱离了 加深网络层数(ResNet) 和 加宽网络结构(Inception)来提升网络性能的定式思维 ,从特征的角度考虑,通过 特征重用和旁路(Bypass)设置 ,既大幅度减少了网络的参数量,又在一定程度上缓解了gradient vanishing问题的产生.结合信息流和特征复用的假设,DenseNet当之无愧成为2017年计算机视觉顶会的年度最佳论文. 卷积神经网络在沉睡了近20年后,如今成为了深度学习方向最主要的网络结构之一.从一开始的只有五层结构的LeNet, 到后来拥有19层结构的VGG, 再到首次跨越100层网络的Highway Networks与ResNet, 网络层数的加深成为CNN发展的主要方向之一. 随着CNN网络层数的不断增加, gradient vanishing和model degradation问题 出现在了人们面前, BatchNormalization的广泛使用在一定程度上缓解了gradient vanishing的问题 ,而 ResNet和Highway Networks通过构造恒等映射设置旁路,进一步减少了gradient vanishing和model degradation的产生 .Fractal Nets通过将不同深度的网络并行化,在获得了深度的同时保证了梯度的传播,随机深度网络通过对网络中一些层进行失活,既证明了ResNet深度的冗余性,又缓解了上述问题的产生. 虽然这些不同的网络框架通过不同的实现加深的网络层数,但是他们都包含了相同的核心思想,既将feature map进行跨网络层的连接. 何恺明在提出ResNet时做出了这样的假设:若某一较深的网络多出另一较浅网络的若干层有能力学习到恒等映射,那么这一较深网络训练得到的模型性能一定不会弱于该浅层网络.通俗的说就是如果对某一网络中增添一些可以学到恒等映射的层组成新的网路,那么最差的结果也是新网络中的这些层在训练后成为恒等映射而不会影响原网络的性能.同样DenseNet在提出时也做过假设:与其多次学习冗余的特征,特征复用是一种更好的特征提取方式. ResNet的一个最主要的优势便是梯度可以流经恒等函数来到达靠前的层.但恒等映射和非线性变换输出的叠加方式是相加, 这在一定程度上破坏了网络中的信息流. 为了进一步优化信息流的传播,DenseNet提出了图示的网络结构 如图所示,第i层的输入不仅与i-1层的输出相关,还有所有之前层的输出有关.记作: 由于在DenseNet中需要对不同层的feature map进行cat操作,所以需要不同层的feature map保持相同的feature size,这就限制了网络中Down sampling的实现.为了使用Down sampling,作者将DenseNet分为多个Denseblock,如下图所示: 在同一个Denseblock中要求feature size保持相同大小,在不同Denseblock之间设置transition layers实现Down sampling, 在作者的实验中transition layer由BN + Conv(1×1) ＋2×2 average-pooling组成. 在Denseblock中,假设每一个非线性变换H的输出为K个feature map, 那么第i层网络的输入便为K 0 +(i-1)×K, 这里我们可以看到DenseNet和现有网络的一个主要的不同点:DenseNet可以接受较少的特征图数量作为网络层的输出,如下图所示 原因就是在同一个Denseblock中的每一层都与之前所有层相关联,如果我们把feature看作是一个Denseblock的全局状态,那么每一层的训练目标便是通过现有的全局状态,判断需要添加给全局状态的更新值.因而每个网络层输出的特征图数量K又称为Growth rate,同样决定着每一层需要给全局状态更新的信息的多少.我们之后会看到,在作者的实验中只需要较小的K便足以实现state-of-art的性能. 虽然DenseNet接受较少的k,也就是feature map的数量作为输出,但由于不同层feature map之间由cat操作组合在一起,最终仍然会是feature map的channel较大而成为网络的负担.作者在这里使用1×1 Conv(Bottleneck)作为特征降维的方法来降低channel数量,以提高计算效率.经过改善后的非线性变换变为BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3),使用Bottleneck layers的DenseNet被作者称为DenseNet-B.在实验中,作者使用1×1卷积生成channel数量为4k的feature map. 为了进一步优化模型的简洁性,我们同样可以在transition layer中降低feature map的数量.若一个Denseblock中包含m个feature maps,那么我们使其输出连接的transition layer层生成u230aθmu230b个输出feature map.其中θ为Compression factor, 当θ=1时,transition layer将保留原feature维度不变. 作者将使用compression且θ=0.5的DenseNet命名为DenseNet-C, 将使用Bottleneck和compression且θ=0.5的DenseNet命名为DenseNet-BC 由于DenseNet对输入进行cat操作,一个直观的影响就是每一层学到的feature map都能被之后所有层直接使用,这使得特征可以在整个网络中重用,也使得模型更加简洁. 从上图中我们可以看出DenseNet的参数效率:左图包含了对多种DenseNet结构参数和最终性能的统计,我们可以看出当模型实现相同的test error时,原始的DenseNet往往要比DenseNet-BC拥有2-3倍的参数量.中间图为DenseNet-BC与ResNet的对比,在相同的模型精度下,DenseNet-BC只需要ResNet约三分之一的参数数量.右图为1001层超过10M参数量的ResNet与100层只有0.8M参数量的DenseNet-BC在训练时的对比,虽然他们在约相同的训练epoch时收敛,但DenseNet-BC却只需要ResNet不足十分之一的参数量. 解释DenseNet为何拥有如此高性能的另一个原因是 网络中的每一层不仅接受了原始网络中来自loss的监督 ,同时由于 存在多个bypass与shortcut,网络的监督是多样的 .Deep supervision的优势同样在deeply-supervised nets (DSN)中也被证实.(DSN中每一个Hidden layer都有一个分类器,强迫其学习一些有区分度的特征).与DSN不同的是,DenseNet拥有单一的loss function, 模型构造和梯度计算更加简易. 在设计初,DenseNet便被设计成让一层网络可以使用所有之前层网络feature map的网络结构,为了探索feature的复用情况,作者进行了相关实验.作者训练的L=40,K=12的DenseNet,对于任意Denseblock中的所有卷积层,计算之前某层feature map在该层权重的绝对值平均数.这一平均数表明了这一层对于之前某一层feature的利用率,下图为由该平均数绘制出的热力图: 从图中我们可以得出以下结论: a) 一些较早层提取出的特征仍可能被较深层直接使用 b) 即使是Transition layer也会使用到之前Denseblock中所有层的特征 c) 第2-3个Denseblock中的层对之前Transition layer利用率很低,说明transition layer输出大量冗余特征.这也为DenseNet-BC提供了证据支持,既Compression的必要性. d) 最后的分类层虽然使用了之前Denseblock中的多层信息,但更偏向于使用最后几个feature map的特征,说明在网络的最后几层,某些high-level的特征可能被产生. 作者在多个benchmark数据集上训练了多种DenseNet模型,并与state-of-art的模型(主要是ResNet和其变种)进行对比: 由上表我们可以看出,DenseNet只需要较小的Growth rate(12,24)便可以实现state-of-art的性能,结合了Bottleneck和Compression的DenseNet-BC具有远小于ResNet及其变种的参数数量,且无论DenseNet或者DenseNet-BC,都在原始数据集和增广数据集上实现了超越ResNet的性能. DenseNet详解

黑乎乎

专门的机构算不上。一般分为所谓官方与民间。民间是指的由一些由兴趣爱好者们组成的字幕组，他们根据自己的理解，去翻译片名。这是这几年由于网络资源的火爆，衍生出来的。官方就是一些购进了某部片子的播放权的电影厂或者译制片厂，由他们自己的翻译员（翻译电影对白）翻译的，一般这样的都是御用翻译，都比较专业和有文笔。但就算是同一部片子，由于地区的翻译不一样，名字也千差万别。一般是分为大陆，香港，和台湾三个翻译版本。就拿由法国著名导演吕克贝松94年拍的那部经典电影《leon》来说吧。大陆的翻译风格一直都是很直白，所以这部片子只是翻译了名字，《莱昂》。香港的翻译风格就很火爆，经常什么“铁血”“烈火”什么的，这部香港怎么翻译的我不记得了，是好几年前看过的，反正跟片子内容完全不符。再就是台湾翻的，《这个杀手不太冷》。就这部片子而言，这个名字是翻译的最好的，而且是最有意思的。当然，不管是台湾，香港，还是大陆，都有翻译的好的片名，也有翻译的不好的片名，没有创意，随意抄袭，甚至很雷人和莫名其妙。比如电锯惊魂系列。XX总动员系列。

图像分类是计算机视觉中最基础的任务，其中可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分类三大类别。 在不同物种的层次上识别不同类别的对象，例如猫狗分类，这样的分类任务的特征是，较大的类间方差，较小的类内方差，例如典型的cifar10是在交通工具以及动物内部进行区分，都是语义上完全可以区分开的对象 细粒度图像分类，是一个大类中的子类的分类，例如不同鸟类的分类，不同狗类的分类，不同车型的分类等等。例如Caltech-UCSD Birds-200-2011数据集，他是包含200类，11788张图像的鸟类书籍，为每一张图提供了15哥局部区域位置，1个标注框。这种细粒度级别的检测需要更为精细的分类器设计 如果我们需要区分不同的个体，不仅仅是物种类别或者子类，其就是一个识别问题，例如最典型的任务就是人脸识别。人脸识别对于计算机视觉领域落地是十分有意义的，它能够完成很多任务，例如安全维稳，考勤打卡，人脸解锁等应用场景都是和人脸识别这个实例级图像分类任务密切相关的。 MNIST数据集在当时是一个baseline，其包含60000个训练数据，10000个测试数据，图像均为灰度图像，大小为32*32。在这个数据集中，其实传统方法表现的也不错，例如SVM以及KNN，SVM为代表的方法可以将MNIST分类错误率降低到0.56%, 超过当时的人工神经网络。 后来经过多次迭代，LeNet5在1998年诞生，这是一个经典的卷积神经网络，饱含着一些重要的特性： 虽然LeNet5的错误率在0.7%左右，不如SVM方法，但随着网络结构的发展，神经网络方法很快的超过了其他的所有方法，有着很好的效果。 为了在工业界落地更加复杂的图像分类任务，李飞飞等人数年时间的整理下，2009年，ImageNet数据集发布了。ImageNet数据集共有1400多万张图片，共有2万多个类别，不过论文中常用的都是1000类的基准。 AlexNet在2012年时横空出世，是第一个真正意义上的深度网络，与LeNet5的5层相比，它的层数增加了3层，网络的参数量也大大增加，输入也从28变成了224，同时GPU的面世，也使得深度学习从此进行GPU为王的训练时代。 AlexNet有以下的特点： VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常好。到目前为止，VGG仍然被用来提取图像特征。 VGGNet可以看成是加深版本的AlexNet，都是由卷积层、全连接层两大部分构成.全部使用3×3的卷积核和2×2的最大池化核，简化了卷积神经网络的结构。VGGNet很好的展示了如何在先前网络架构的基础上通过简单地增加网络层数和深度就可以提高网络的性能。虽然简单，但是却异常的有效，在今天，VGGNet仍然被很多的任务选为基准模型。 GoogLeNet也是将网络层次加深了，不过GoogLeNet做了更加大胆的网络结构的尝试，其深度只有22层，从参数数量来看，GoogleNet参数为500万个，AlexNet参数个数是GoogleNet的12倍，VGGNet参数又是AlexNet的3倍，因此在内存或计算资源有限时，GoogleNet是比较好的选择；但是从模型结果来看，GoogLeNet的性能却更加优越。 一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，深度指网络层次数量、宽度指神经元数量。但这种方式存在以下问题： （1）参数太多，如果训练数据集有限，很容易产生过拟合； （2）网络越大、参数越多，计算复杂度越大，难以应用； （3）网络越深，容易出现梯度弥散问题（梯度越往后穿越容易消失），难以优化模型。 解决这些问题的方法当然就是在增加网络深度和宽度的同时减少参数，为了减少参数，自然就想到将全连接变成稀疏连接。但是在实现上，全连接变成稀疏连接后实际计算量并不会有质的提升，因为大部分硬件是针对密集矩阵计算优化的，稀疏矩阵虽然数据量少，但是计算所消耗的时间却很难减少。比较通用的方法是使用dropout的方法，相当于从原始的网络中找到一个更”瘦“的网络(有待考究) GoogLeNet团队提出了Inception网络结构，就是构造一种“基础神经元”结构，来搭建一个稀疏性、高计算性能的网络结构。 什么是Inception呢？Inception历经了V1、V2、V3、V4等多个版本的发展，不断趋于完善，下面一一进行介绍 通过设计一个稀疏网络结构，但是能够产生稠密的数据，既能增加神经网络表现，又能保证计算资源的使用效率。谷歌提出了最原始Inception的基本结构： 该结构将CNN中常用的卷积（1x1，3x3，5x5）、池化操作（3x3）堆叠在一起（卷积、池化后的尺寸相同，将通道相加），一方面增加了网络的宽度，另一方面也增加了网络对尺度的适应性。 网络卷积层中的网络能够提取输入的每一个细节信息，同时5x5的滤波器也能够覆盖大部分接受层的的输入。还可以进行一个池化操作，以减少空间大小，降低过度拟合。在这些层之上，在每一个卷积层后都要做一个ReLU操作，以增加网络的非线性特征 然而这个Inception原始版本，所有的卷积核都在上一层的所有输出上来做，而那个5x5的卷积核所需的计算量就太大了，造成了特征图的厚度很大，为了避免这种情况，在3x3前、5x5前、max pooling后分别加上了1x1的卷积核，以起到了降低特征图厚度的作用，这也就形成了Inception v1的网络结构 对上图说明如下： （1）GoogLeNet采用了模块化的结构（Inception结构），方便增添和修改； （2）网络最后采用了average pooling（平均池化）来代替全连接层，该想法来自NIN（Network in Network），事实证明这样可以将准确率提高0.6%。但是，实际在最后还是加了一个全连接层，主要是为了方便对输出进行灵活调整； （3）虽然移除了全连接，但是网络中依然使用了Dropout ; （4）为了避免梯度消失，网络额外增加了2个辅助的softmax用于向前传导梯度（辅助分类器）。辅助分类器是将中间某一层的输出用作分类，并按一个较小的权重（0.3）加到最终分类结果中，这样相当于做了模型融合，同时给网络增加了反向传播的梯度信号，也提供了额外的正则化，对于整个网络的训练很有裨益。而在实际测试的时候，这两个额外的softmax会被去掉。 Inception V2版本的解决方案就是修改Inception的内部计算逻辑，提出了比较特殊的“卷积”计算结构。 2.1 卷积分解(Factorizing Convolutions) GoogLeNet团队提出可以用2个连续的3x3卷积层组成的小网络来代替单个的5x5卷积层，即在保持感受野范围的同时又减少了参数量 2.2 降低特征图大小 如果想让图像缩小，可以有如下两种方式：先池化再作Inception卷积，或者先作Inception卷积再作池化。但是方法一（左图）先作pooling（池化）会导致特征表示遇到瓶颈（特征缺失），方法二（右图）是正常的缩小，但计算量很大。为了同时保持特征表示且降低计算量，将网络结构改为下图，使用两个并行化的模块来降低计算量（卷积、池化并行执行，再进行合并） 使用Inception V2作改进版的GoogLeNet，网络结构图如下： Inception V3一个最重要的改进是分解（Factorization），将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1），这样的好处，既可以加速计算，又可以将1个卷积拆成2个卷积，使得网络深度进一步增加，增加了网络的非线性（每增加一层都要进行ReLU）。 Inception V4主要利用残差连接（Residual Connection）来改进V3结构，得到Inception-ResNet-v1，Inception-ResNet-v2，Inception-v4网络。

挺好听的

不是，诺兰自己构思的剧本。想了7年多了。比起那些敬业的导演，国内导演一年一部，部部烂的跟蛋一样。 ————————————————————————在那都能看到像楼下这般狂妄的小子，满嘴喷粪，人云亦云盗梦空间英文原名为inception，直译是 植入 。至于翻译成盗梦空间不过是为了吸引人的眼球。盗梦侦探也是跟梦有关的故事，但和盗梦空间除了2点：1.都是做梦2.梦中的事就像现实中的事。 这两点设定之外其他可以无任何共同点。盗梦空间的翻译实在是烂透了，应该叫他inception

核心导读： 1. 神经网络感受野是什么？ 2. 感受野的分布是啥样子的？ 3. 感受野是不是越大越好？ 4. 多路感受野融合提高精度？ 5. 如何计算神经网络感受野？ 1. 神经网络感受野是什么？ 在卷积神经网络中，感受野是卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小。神经元感受野之外的图像内容并不会对该神经元的值产生影响，所以必须确保这个神经元的感受野覆盖所有相关的图像区域。在应用工程中，通过调节网络的深度，卷积的kernel size等参数控制网络的感受野大小 。感受野的概念尤为重要，对于理解和诊断CNN网络有着极大的帮助。本文对感受野相关的问题进行了总结，下面一一阐述： 2.感受野的分布是啥样子的？ 《Understanding the Effective Receptive Field in Deep Convolutional Neural Networks》论文中引出了theoretical receptive field （理论感受野）和Effective Receptive Fields（实际感受野）这2个概念。通常实际感受野小于理论感受野，随着具体的任务变化。作者进一步在数学上证明了 Effective Receptive Fields 在 1D 是一个高斯分布，随后推出 2D/大于2D的情况都是近似高斯分布，如下图所示。 3.感受野是不是越大越好？ 我们需要关注网络的感受野是否足够，例如在需要检测或者识别图片中大目标的时候。但这并不意味着感受野越大越好，在某些场景中过大的感受野甚至会降低模型的性能，例如《The Receptive Field as a Regularizer in Deep Convolutional Neural Networks for Acoustic Scene Classification》论文通过1*1 Conv替换3*3Conv缩小ResNet和DenseNet等网络的感受野在ASC场景获取了比原始模型更高的精度；《Gated Recurrent Convolution Neural Network for OCR 》论文提出了GRCL 结构来限制无效感受野，提高了STR的识别精度，下图展示了改进后特征响应图，可以看出RCNN能强化文字上的响应，减弱无效背景的响应。 4.多路感受野融合提高精度？ Inception网络提出多路卷积融合的思路，实际是在同一个尺度上多种感受野信息的融合，主要是为了解决图像大小分布差异较大的问题。《MixNet: Mixed Depthwise Convolutional Kernels》Google Brain最近提出Mixed Depthwise Convolution，类似Inception的单元结构，以此来提高网络表达能力。Google Brain在MobilenetV2的基础上用MDConv替换3*3 Depthwise Conv进行了多组实验，在大多数情况下都取得了更好的效果，接着在Imagenet上用Auto ML搜索出MixNet-L，取得了78.9%的top-1分类精度，同时FLOPs小于600M，超过Resnet153。 5.感受野如何计算？ 感受野的计算方式有两种，下面给出其中一个计算公式和计算示例 6.小结 感受野作为神经网络隐藏的重要特性还有很多需要发掘的地方，在实际的工程项目中我们需要考虑这一块的影响，细节往往决定成败，与其沉迷在研究高大上的算法架构，真不如沉下心把一些基础性的研究工作做透彻。

很明显 故弄玄虚 电影是人拍的 编剧 导演 在玩人 不用认真

易车讯 近日，社交媒体上曝光了腾势N7内饰图片。作为腾势汽车打造的五座中型SUV（官方将其称为猎跑SUV）。腾势N7基于INCEPTION概念车打造而来，采用腾势家族π-Motion势能美学设计语言，将于今年三季度初开启交付。从曝光的内饰来看，腾势N7基本延续了INCEPTION概念车的内饰造型，车内支持三屏联动，除液晶仪表、大尺寸中控屏外、副驾驶前方还配备有娱乐屏。此外，中控屏下方加入两块无线充电板，挡把区域的设计则十分简洁。值得一提的是，腾势N7将成为全球首款配备DEVIALET帝瓦雷音响的量产车型。造型方面，腾势N7采用家族化π-Motion势能美学设计语言，融入大量INCEPTION概念车展示的设计理念，前脸采用封闭式设计，LED日行灯具有极强的辨识度，非常独特。同时激光雷达位于雾灯盖板处，并运用黑水晶材质，把激光雷达和前脸融合起来，让前脸造型看上去更为协调。来到车侧，腾势N7 C柱车顶线条下滑收拢，融入了当前流行的轿跑车元素，隐藏式门把手有助于降低风阻系数，提升能效。官方表示，腾势N7的车顶是黄金分割比例0.618:1的体现。从前挡风玻璃流畅地过渡到占据长比例的车顶，从前到后非常流畅地延展，展示出优美的轮廓。腾势N7尾部造型与前脸相呼应，采用了当下流行的贯穿式LED光源，搭配两侧大尺寸C型导流槽，配合保险杠下方加入的镀铬装饰，进一步提升了车尾的辨识度。车身尺寸方面，腾势N7长宽高为4860*1935*1602mm，轴距2940mm。定位中型SUV，内部采用五座布局。动力部分，申报信息显示腾势N7拥有单电机与双单机四驱版两种版本，其中单电机版最大功率230kW，双电机四驱版最大功率390kW。此外，官方表示，备受认可的CTB电池车身一体化技术、iTAC智能扭矩控制系统等一系列比亚迪集团新能源黑科技，都会在这款新车上有所体现。（内饰图片来源：微博猫同学）上易车App首页点击销量排行，查看最全面的周销量数据。

要分析每一个的性格特点，了解他们每个人在里面所饰演的是怎样的一个角色，思路要跟随他们的步伐。

21-22大白盒最贵的卡是欧冠Inception（盗梦空间）。作为球星卡设计天花板存在的盗梦空间系列，其每次发行的足球球星卡一直都是最贵的卡，没有之一。